临床常见六种脉象信号特征研究

提出以时域特征和模态能量商特征相结合进行脉象信号识别的方法。首先根据脉象信号的波形特征,计算脉象信号的h1,h3,h4,h3/h1,h4/h1,t1,t,k时域特征参数;然后对脉象信号进行EMD分解,计算6种脉象信号的模态能量商。通过临床200例脉象信号的采集和分析计算,获得临床上常见脉象信号的典型时域特征,确定弦脉的模态能量商R1,滑脉、沉脉、细脉、缓脉、平脉的R值依次降低,且R1。实验结果表明:时域特征和模态能量商特征相结合的方法可实现临床常见脉象信号的识别。     

基于EMD的FCMM降噪和故障诊断

为了解决现场三坐标测量机(FCMM)在加工车间现场环境下由于振动、环境因素等干扰造成的输出带有较强背景噪声而可能导致滚动轴承发生故障的问题,提出一种基于经验模态分解(EMD)的FCMM降噪和故障诊断方法,对FCMM输出进行EMD分解得出本征模态函数(IMF)分量,采用互相关系数准则法对IMF分量降噪重构,同时进行边际谱分析,从中提取故障特征频率。实验根据FCMM速度参数测量数据,结合Matlab仿真方法,得到FCMM输出速度数据的IMF分量与原始速度数据之间的互相关系数表以及IMF分量边际谱图。实验结果验证了EMD方法滤波效果明显,故障分析手段可靠。     

基于样本熵和支持向量机的短期风速预测模型

提出一种经验模态分解、样本熵和支持向量机相结合的短期风速组合预测方法。首先利用经验模态分解将原始风速序列逐级分解成若干个规律性更强的子序列,以减小不同特征尺度序列间的相互影响,提高预测精度。接着计算各风速子序列的样本熵,将复杂度相近的序列归类形成一个新序列,以减少所需建立的预测模型的数量。然后对经 EMD-SE 处理后得到的新的风速子序列分别建立支持向量机预测模型,并采用遗传算法实现各模型参数的自动选取和寻优,最后将各序列的预测结果叠加得到风速预测结果。算例研究表明,该方法充分挖掘了风速序列的特性,能快速地对风速变化作出响应,预测的均方根误差和百分比误差分别比单纯采用支持向量机法降低了5.1%和5.4%,有效地提高了短期风速预测的准确度。     

基于镜像延拓和窗函数的端点效应抑制方法

经验模态分解被广泛用于复杂的非线性及非平稳信号处理,但其分解过程中存在端点效应问题,并且端点效应会随着筛选的进行而更加明显,从而导致数据处理发生畸变。镜像延拓法和窗函数法均是抑制端点效应的有效方法,但也各自存在不足。为此,提出将镜像延拓和余弦窗函数结合的改进方法,以弥补镜像延拓法中原始信号端点不是极值点和窗函数法中需要改变原信号的不足,实现对端点效应抑制方法的改进。仿真实验结果表明,与传统方法相比,改进方法能更好地抑制端点效应的发生。     

基于自相关和经验模态分解的转子碰摩故障分析

针对转子故障振动信号具有周期性的特点,提出一种用于分离转子故障振动信号的新方法,该方法首先应用自相关处理对振动信号进行降噪处理,然后采用经验模态分解(EMD)对振动信号进行分解,得出各个本征模态函数(IMF),并对IMF进行频谱分析,从频谱图上可以清晰地观察出转子的故障特征频率.试验结果表明,振动信号经自相关处理后起到了很好的降噪效果,碰摩所产生的冲击信号上下不对称;EMD分解方法能有效地突出故障特征频率成分,该方法可广泛用于旋转机械振动信号时频分析领域.     

基于EMD和AFD的齿轮断齿诊断技术研究

断齿作为齿轮失效的形式之一,对其进行故障诊断具有重要意义.传统的诊断方法如自适应滤波方法对于非平稳振动信号的分析效果不太明显.EMD(Empirical Mode Decomposition,简称EMD)方法是把复杂的振动信号分解为有限个本征模函数(Intrinsic Mode Function,简称IMF)之和,得到的IMF包含真实的物理信息,而且都是平稳的.这种基于信号的局部特征时问尺度分解的方法非常适用于非线性和非平稳过程的分析,该方法能够实现通过时域的分析,得到故障特征信号.本文提出基于EMD和自适应滤波分解(Adaptive Filtering Decompositon,简称AFD)的方法,利用边际谱分析齿轮故障特征.实验结果表明,该方法能够有效、准确地提取齿轮断齿的故障特征.     

基于局部模型匹配的几何活动轮廓跟踪

目的 在复杂背景下,传统轮廓跟踪方法只考虑了目标的整体特征或显著性特征,没有充分利用目标的局部特征信息,尤其是目标发生遮挡时,容易发生跟踪漂移,甚至丢失目标.针对上述问题,提出一种基于局部模型匹配的几何活动轮廓(LM-GAC)跟踪算法.方法 首先,利用超像素技术将图像中的颜色特征相似的像素点归为一类,形成由一些像素点组成的超像素,从而把目标分割成若干个超像素块,再结合EMD(earth mover's distance)相似性度量构建局部特征模型.然后,进行局部模型匹配,引入噪声模型来估算局部模型参数θ,这样可以增强特征模型的自适应性,提高局部模型匹配的准确性.最后,结合粒子滤波的水平集分割方法提取目标轮廓,实现目标轮廓精确跟踪.结果 本文算法与多种目标轮廓跟踪算法进行对比,在部分遮挡、目标形变、光照变化、复杂背景等条件的基准图像序列均具有较高的跟踪成功率,平均成功率为79.6%.结论 实验结果表明,根据不同的图像序列,可以自适应地实时改变噪声模型参数和粒子的权重,使得本文算法具有较高的准确性和鲁棒性.特别是在复杂的背景下,算法能较准确地进行目标轮廓跟踪.     

ABC-RBF神经网络在平板坝裂缝开合度监测中的应用

为提高混凝土平板坝裂缝开合度预测精度,针对混凝土平板坝裂缝开合度监测序列呈非线性以及周期性变化的特点,将基于EMD分解优化的ABC-RBF神经网络模型应用于混凝土平板坝裂缝开合度安全监测中,对比分析普通RBF和ABC-RBF神经网络模型。结果表明,ABC-RBF神经网络模型预测误差相对较小,可用于分析混凝土平板坝裂缝开合度的安全监测。     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。